Kokoro TTS: Kami Menjalankan Model Suara Sumber Terbuka 82M pada CPU Komputer Riba

Kokoro asyik muncul di merata tempat — ia pernah menduduki tempat teratas di Hacker News, mendahului papan kedudukan teks ke pertuturan terbuka, dan para pencipta terus bertanya sama ada model 82-juta-parameter yang berjalan pada CPU biasa benar-benar boleh menggantikan API suara berbayar. Jadi kami memasangnya, menjalankannya pada laptop, dan menjana sampel yang anda boleh mainkan di bawah. Ini ialah bedah siasat hands-on: apa itu Kokoro, sedap mana bunyinya sebenarnya, dua perangkap persediaan yang membazirkan masa kami, dan bila alat hosted lebih berbaloi. Sumber: github.com/hexgrad/kokoro (Apache-2.0).

Apa itu Kokoro, dan siapa yang membangunkannya?

Kokoro ialah model teks ke pertuturan open-weight yang diterbitkan oleh hexgrad sebagai Kokoro-82M. Tajuk utamanya memang jelas pada nama: 82 juta parameter — kecil mengikut piawaian 2026, cukup kecil untuk berjalan pada telefon — namun ia menghasilkan narasi yang semula jadi dan ekspresif. Ia dibina berasaskan susur galur StyleTTS 2 dan dikeluarkan di bawah lesen Apache-2.0 yang permisif, jadi ia benar-benar percuma untuk kegunaan komersial.

Setakat 2026-07-11, repo utama hexgrad/kokoro berada sekitar 7,900 bintang GitHub. Kami menjalankannya melalui runtime ONNX komuniti thewh1teagle/kokoro-onnx (sekitar 2,600 bintang, MIT), yang merupakan cara paling mudah untuk menjalankannya pada CPU tanpa pemasangan PyTorch.

Bila kami mengintai fail weights sebenar, kami mengira 54 suara terbina dalam merangkumi 9 kumpulan bahasa dan aksen — Inggeris Amerika dan British, Sepanyol, Perancis, Hindi, Itali, Jepun, Portugis Brazil, dan Mandarin Cina. Suara Inggeris Amerika jelas paling kemas.

Kami benar-benar menjalankannya (Apple M3 Pro, CPU sahaja)

Tiada GPU, tiada cloud — hanya MacBook Pro dengan M3 Pro dan 18 GB RAM. Ini play-by-play yang jujur.

Pemasangan dan weights

Pakej Python dipasang dalam beberapa saat: pip install kokoro-onnx soundfile. Tetapi ini perangkap pertama — pakej pip hanya membawa kod, bukan model. Anda perlu memuat turun dua fail secara manual daripada halaman releases GitHub kokoro-onnx: kokoro-v1.0.onnx (310 MB) dan voices-v1.0.bin (27 MB). Panduan quickstart terlepas pandang hal ini, jadi percubaan pertama akan gagal dengan ralat fail hilang sehingga anda mengambil weights tersebut.

Bug laluan espeak-ng (yang benar-benar memakan masa kami)

Kokoro menukar teks kepada fonem dengan espeak-ng. Pada sintesis pertama lagi kami terkena ini:

Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directory

Laluan /Users/runner/work/ itu memang petunjuk jelas: wheel pip espeakng-loader membundelkan libespeak-ng yang dikompil dalam CI dengan laluan data yang di-hard-code dan tidak wujud pada mesin anda. Bahagian yang menjengkelkan: menetapkan pemboleh ubah persekitaran ESPEAK_DATA_PATH langsung tidak membantu, kerana kokoro-onnx tidak pernah membacanya — ia mengambil laluan data terus daripada loader yang dibundel.

Pembaikan yang berkesan: pasang espeak-ng sistem yang sebenar dan halakan Kokoro kepadanya secara eksplisit melalui EspeakConfig:

brew install espeak-ng   # macOS; apt install espeak-ng on Linux

from kokoro_onnx import Kokoro, EspeakConfig
cfg = EspeakConfig(
    lib_path="/opt/homebrew/lib/libespeak-ng.dylib",
    data_path="/opt/homebrew/share/espeak-ng-data",
)
k = Kokoro("kokoro-v1.0.onnx", "voices-v1.0.bin", espeak_config=cfg)

Selepas itu, penjanaan terus menjadi lancar. Jika anda pernah bergelut dengan ralat tepat phontab: No such file ini, inilah penyelesaiannya.

Kelajuan (diukur, warm)

Dengan CPU sahaja, model dimuatkan dalam kira-kira 1.7 saat, dan sintesis selesa lebih pantas daripada masa nyata. Perenggan narasi 22 saat dirender dalam 3.5 saat — faktor masa nyata sekitar 0.16×, lebih kurang enam kali lebih laju daripada main balik. Ayat pendek tunggal pula siap dalam satu hingga dua saat. Untuk model sekecil ini pada laptop, itu memang throughput yang boleh digunakan untuk produksi. Ini ialah waveform sebenar bagi render perenggan tersebut:

Sampel yang kami jana (tanpa suntingan)

Setiap klip di bawah dihasilkan oleh kami menggunakan Kokoro pada CPU M3 Pro seperti diterangkan di atas — output mentah model, tanpa pembersihan, tanpa pasca pemprosesan. Mainkan dan nilai kualitinya sendiri.

Dijana oleh VisionStory dengan Kokoro-82M melalui kokoro-onnx, 2026-07-11. Perhatikan petunjuknya: ini ialah trek suara yang bersih — tetapi ia hanya suara. Tiada wajah, tiada pergerakan bibir, tiada penyampai di skrin. Jurang itulah inti pati bahagian seterusnya.

Keputusan jujur: kekuatan dan had sebenar

Apa yang benar-benar mengagumkan kami:

• Kualiti-per-byte memang luar biasa. Untuk 82 juta parameter, suara Inggeris Amerika kedengaran semula jadi dan ekspresif — cukup hampir dengan TTS berbayar sehingga kebanyakan pendengar tidak akan perasan dalam klip pendek.
• Ia benar-benar berjalan pada CPU, dan laju. Enam-kali-masa-nyata pada laptop tanpa GPU ialah ciri utama, dan memang terbukti.
• Betul-betul percuma dan mesra komersial. Apache-2.0 tanpa caj per aksara. Untuk alih suara volum tinggi, ekonomi seperti ini sukar ditandingi.

Di mana ia lemah — dan ini memang nyata:

• Tiada klon suara. Anda hanya dapat 54 suara preset tetap. Anda tidak boleh mengklon suara anda sendiri atau suara klien — jika itu kegunaan anda, Kokoro bukan jawapannya.
• Kualiti Inggeris bergantung pada espeak-ng, yang bermaksud bug pembungkusan di atas, ditambah sekali-sekala sebutan salah untuk nama, jenama, atau akronim.
• Teks panjang perlukan pemecahan manual. Ada had panjang fonem bagi setiap panggilan, jadi anda perlu membahagikan skrip panjang sendiri dan mencantumkan audio.
• Suara bukan Inggeris ada yang menjadi, ada yang tidak — variasinya lebih ketara berbanding set unggulan Inggeris Amerika.
• Ia mengeluarkan WAV kosong. Tiada cap masa perkataan, tiada viseme — tiada apa-apa untuk memacu lip-sync secara out of the box.
• Ia hanya suara. Tiada wajah, tiada video. Untuk dapatkan penyampai yang bercakap, anda mesti gandingkan Kokoro dengan sistem lip-sync atau avatar berasingan dan uruskan timing sendiri.

Self-host Kokoro vs alat hosted: yang mana patut anda pilih?

Kokoro dan alat avatar hosted menyelesaikan separuh masalah yang berbeza. Kokoro memberi anda suara; alat seperti VisionStory memberi anda penyampai yang bercakap — suara, wajah, dan lip-sync dalam satu output. Ini pertukaran yang jujur.

Pilih Kokoro jika anda cuma perlukan alih suara percuma, anda selesa dengan Python, dan anda akan uruskan wajah serta lip-sync secara berasingan (atau anda memang tidak perlukan wajah langsung). Pilih alat hosted jika anda perlukan suara yang dipadankan pada penyampai yang lip-sync, atau anda perlu mengklon suara individu tertentu — Kokoro tidak boleh buat kedua-duanya.

Apa yang Kokoro ajarkan kepada kami

Pengajaran sebenar daripada menjalankan Kokoro ialah suara sedang menjadi komoditi. Model 82 MB pada laptop kini menghasilkan alih suara yang cukup baik untuk kerja sebenar, secara percuma. Jika tuntutan utama produk anda cuma "kami buat teks ke pertuturan," kelebihan itu sudah hilang.

Bahagian yang sukar, yang masih belum selesai, ialah segala-galanya selepas suara: menukar trek audio kepada wajah bercakap yang meyakinkan — lip-sync tepat, ekspresi, pergerakan kepala, dan timing yang semuanya selari. Itulah lapisan yang kami bangunkan. Jadi kesimpulan kami bukan "jangan guna Kokoro" — ia memang enjin suara yang bagus. Tetapi suara sahaja hanyalah separuh video. Jika anda mahukan separuh lagi, VisionStory menukar foto dan skrip kepada penyampai yang bercakap dengan lip-sync dalam satu langkah, dan jika anda ada suara tertentu untuk dipadankan, ia juga boleh mengklonnya.